每只蚂蚁都从一个初始为空的解决方案开始，当前的部分解决方案将通过选择一个具有以下规则的可行解决方案组件来扩展： 更喜欢等待时间短的客户（等待=离开时间窗口-到达时间），因为我们不希望客户等待很长时间 偏好时间窗宽度小的客户（宽度=右时间窗-左时间窗） 如果随机值[\tau_{ij}]^\alpha [\eta_{ij}]^\beta [1/width_j]^\gamma [1/wait_j]^\delta$​​ 否则，使用轮盘赌选择和 选择下一个点​​​​ 参数​​确定相应组件的影响。 ​ , 信息素 ​ ，启发式信息，等于距离的倒数 ​ ，一个随机值 , 一个常数、 更多详情、使用方法，请下载后阅读README.md文件

用法 graph = YAML.load_file('test_data/test1.yml') colony = AntColony::Colony.new(graph, beta: 0.8, alpha: 0.7, pop: 200, ph: 0.3, q: 5) colony.solve colony.find_path 1 # path from point 1 更多详情、使用方法，请下载后阅读README.md文件

用于蛋白质结构优化的拉马克蚁群方法的实现。这是 GMIN 全局优化程序的一个分支

电梯群控系统的目标是分配电梯服务以满足各层客户的呼叫需求，属典型的组合优化问题，而蚁群算法常用于解决离散组合优化问题．其良好的全局优化能力与快速收敛特性适合于电梯群控．然而当前的调度算法主要集中在减少乘客的等待和乘坐时间上，却忽略了电梯群的耗能问题．为实现节能的目标，建立了能量目标函数和电梯群控系统的蚁群模型，并给出了优化方案和收敛的算法．模拟结果证明了算法的有效性．

最大最小蚁群算法

几种智能算法的原理 及应用介绍 学 院：计算机科学技术学院

针对传统蚁群算法在移动机器人路径规划问题中存在的易陷入局部最优与收敛速度慢等问题，提出 一种改进的蚁群算法。首先根据起点到终点距离和地图参数构建全局优选区域，提高该区域内初始信息素浓 度，避免算法初期盲目搜素；其次利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径 信息素，增强局部搜索能力加快收敛速度；后对全局路径进行寻优，更新全局最优路径信息素。且在信息素 更新公式中引入信息素增强因子，加强最优路径信息素含量。应用反向学习优化信息素，改进状态选择概率， 提高算法寻优能力。实验结果表明，改进后的算法明显提高了收敛速度，同时寻优能力更强。

为了提高蚁群算法的路径寻优效果和搜索效率,提出一种改进的蚁群算法,用于移动机器人在栅格环境下的路径规划. 在标准蚁群算法中,蚂蚁的搜索方式一般是4方向4邻域或者8方向8邻域,在此基础上提出一种16方向24邻域的蚂蚁搜索方式,给出蚂蚁的移动规则;针对启发信息,结合向量夹角的思想设计2种启发信息的计算方法,通过实验分析两种计算方法的使用特点;在转移概率部分引入转移概率控制参数,通过调整转移概率控 制参数可以调控算法的搜索范围. 最后,在不同规模的栅格地图环境下,通过实验仿真验证所提算法的有效性.

针对蚁群算法进行路径规划中出现的运行时间长，搜索效率低和容易出现死锁问题，本文提出了一种 基于达尔文进化论思想的蚁群算法。首先，针对在空白栅格中出现的搜索效率低的问题，提出了一种蚁群算法 简易模式；其次为了提高算法的全局搜索能力，避免陷入死锁，在启发函数中引入目标影响因子和障碍物影响 因子；望 后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度, 缩小运行时间。在 不同规模的栅格地图环境下的实验表明：本文提出的进化蚁群算法加快了迭代速度，提高了搜索效率，实现了 ˆ 优路径并且避免了算法死锁问题。

针对蚁群算法应用于移动机器人路径规划时，出现的死锁、收敛慢、易陷入局部最优以及路径不平滑的问题，提出了一种融合改进 A*蚁群算法与滚动窗口法的平滑路径规划方法。该算法首先用改进的 A*算法初始化蚁群信息素，解决前期蚁群效率低的问题。然后，改进状态转移概率函数，在函数中考虑可行路径“活跃度”以及终点位置，避免死锁现象。同时，基于不平等原则机制更新蚁群的信息素，避免陷入局部最优路径，加快算法的收敛速度。其次，融合滚动窗口法，在全局路径规划的基础上，结合动态避障策略进行局部实时路径规划。最后，使用贝塞尔曲线对所规划出的路径进行平滑度处理，使平滑后的路径更加接近实际运动路径。为确保算法表现出最好的性能，利用带精英策略的遗传算法对该算法中的参数进行自主优化选择。